深度學習股票走勢數據

A. 股票行情數據怎麼看

看股票行情走勢圖一般要用到技術分析，比較專業，我一般看財聯社內參，他們每天都對當天行情進行分析解讀，我從中學到了不少知識。

B. 3分鍾了解深度學習跟量化交易是什麼關系

機器學習怎樣應用於量化交易（一）
曾有朋友問過，國內現在量化領域機器學習應用的少，是否因為效果不如簡單的策略。其實，把機器學習應用在量化交易上始終面臨著兩難，卻並不是無解的兩難。很多時候並不是機器學習不work，而是真正懂如何用正確科學的統計思維使用Machine Learning的人才太少。機器學習涉及到特徵選擇、特徵工程、模型選擇、數據預處理、結果的驗證和分析等一整套建模流程，廣義角度來說就不單單是模型選擇的問題。所以，如果認為「用支持向量機成功預測股票漲跌」 這樣的研究，就是把機器學習應用於量化交易，這種狹義的認識無疑是買櫝還珠，對機器學習領域散落遍地的珍珠視而不見。如果把機器學習的崛起放在歷史進程中考量，無非就是趨勢的延續：現在，可通過系統的數據分析證實過去模糊不定的經驗，機器學習演算法將未曾被察覺的規律得以浮現紙面。在我看來，未來的發展概有兩個方向：1.針對量化交易的統計學習演算法被提出，使其適合於雜訊大，分布不穩定的金融數據分析；2.對於機器學習的熱情回歸理性，從工具為導向回歸到問題為導向。針對如何以問題為導向，在機器學習演算法中挑選合適的工具，分享一些思路。1.多因子模型的因子權重計算當我們在構建多因子模型且已經選定了一系列因子之後，要如何根據不同的市場情況調整各個因子的權重呢？在以往的研究中發現，與其它演算法相比較，隨機森林演算法對於存在非線性、噪音和自變數共線性的訓練集的分析結果更出色。所以，目前在多因子模型的權重上，採用當期收益率對上期因子進行隨機森林回歸分析，以確定下一期多因子模型的因子權重。2.缺失值處理處理缺失值在金融的量化分析中是個無可避免的問題。選取合理的缺失值處理方法，依賴於數據本身的特點、數據缺失的情況、其對應的經濟學意義，以及我們需要使用數據進行何種計算。在嘗試構建多因子模型時，我們選擇了兩種缺失值替換方法：（1）採用期望最大化演算法 來用同一變數的已知數據對缺失值進行極大似然估計。（2）把模型中包含的所有因子作為特徵變數，並賦予其相同的權重，再採用機器學習中的K-近鄰演算法來尋找最相似的標的，保證缺失值替換後，不會強化一部分因子的影響力。其實在量化領域，機器學習解決著線性模型天生的缺陷或弊端，所以還是有著很深的介入的。除去凸優化、降維(提取市場特徵)等領域的應用，目前「非動態性」和「非線性」是兩個重要的弊端。金融關系之間並非靜態，很多時候也不是線性的。統計學習的優勢此時就會體現出來，它們能夠迅速地適應市場，或者用一種更「准確的」方式來描述市場。在國內，機器學習在量化內應用跟領域有很大的關系，跟頻率也有很大的關系。比如，CTA的運用可能就要多於股票，它處理數據的維度要遠小於股票，獲取市場的長度和動態又強於股票。股票市場的momentum要弱於期貨市場的momentum，它的趨勢與股票相比更明顯和低雜訊。這些特徵對於機器學習發揮作用都更加有利。很可能國內一些交易執行演算法的設計上就借鑒了機器學習。我們可以通過學習訂單薄特徵，對下一期盤口變化做一些概率上的預測，經過一定樣本的訓練之後，可以顯著地提升演算法表現。而我仍謹慎看好深度學習等機器學習方法的原因在於，在認識市場上，現行的大部分方法與這些方法並不在一個維度上，這個優勢讓它們與其他方法相比，捕捉到更多的收益。也就是說，一個新的認識市場的角度才能帶來alpha。

C. 怎麼看股票行情的數據

股票行情數據分析方法
（1）技術分析：技術分析是以預測市場價格變化的未來趨勢為目的，通過分析歷史圖表對市場價格的運動進行分析的一種方法。股票技術分析是證券投資市場中普遍應用的一種分析方法。
（2）基本分析：基本分析法通過對決定股票內在價值和影響股票價格的宏觀經濟形勢、行業狀況、公司經營狀況等進行分析，評估股票的投資價值和合理價值，與股票市場價進行比較，相應形成買賣的建議。
（3）演化分析：演化分析是以演化證券學理論為基礎，將股市波動的生命運動特性作為主要研究對象，從股市的代謝性，趨利性，適應性，可塑性，應激性，變異性和節律性等方面入手，對市場波動方向與空間進行動態跟蹤研究，為股票交易決策提供機會和風險評估的方法總和。
炒股對於高手說是一種藝術的創作，創作出更多的價值。股票行情分析是創作的靈感來源。所以，一個好的資源必定出現非常偉大的創作。下面我們來說說兩種簡單的分析方法：
方法一：上升三法
學習炒股，最先要會的就是看圖，所以看圖說話，在上升趨勢中，如果出現一根長陽線，在此長陽之後，出現一群實體短小的陰陽線，顯示先前趨勢所面臨的一些壓力。一般而言，這些盤整的線形大多為黑線，但最重要的一點是，這些線形的實體必須處在第一天長白線的高、低價范圍內，包括影線在內。最後一根陰陽線（通常為第五天）的開盤價位於前一天收盤價之上，並且收盤價創出新高。
方法二：下降三法
顧名思義，下降三法就是上升三法的相反方法。就是在市場處於下降趨勢的時候，如果一根長黑線的出現使其跌勢得到加強。隨後三天則為實體短小的線形，其走勢與既定趨勢相反。如果這些盤整線形的實體為白色，則情況最佳。必須注意，這些短小的實體全部位於第一根長黑線的高、低價范圍內。最後一天開盤價應該在前一天的收盤價附近，收盤則創出新低，宣告市場休息時間結束。

D. 如何獲取新浪實時股票行情數據

如何挑選優質的奶粉 1、首先要是奶粉的氣味，一般好的奶粉都帶有略微甜的奶味，奶粉入口細膩，脫脂奶粉則味道較淡。而劣質奶粉通常有霉味、酸腥味、苦味、褐變等氣味；其次是奶粉的組織形狀。 2、好的奶粉用手捏時，感覺柔軟鬆散，奶粉乾燥、顆粒均勻、無凝塊或者結團的現象。如果是灌裝奶粉，搖晃後會有沙沙響，打開後罐子底部不會粘連奶粉。 3、如果發現奶粉發粘發硬，表明奶粉已經受潮吸濕並結塊，用手捏時不會散開，變色變味，顆粒也不易溶解，這說明奶粉質量差或者奶粉已變質，不宜食用；最後是奶粉的顏色。好的奶粉顏色呈現乳白色或乳黃色，色澤均勻，有光澤。而劣質的奶粉呈焦黃色、灰白色或其他深色。 4、大家都知道奶粉是純牛奶製作而成。純奶加入碘酒是不會變色的，首先將奶粉用水溶解，然後滴入碘酒，如果摻了澱粉或者麥芽糊精的假奶粉，加入碘酒就會變藍。 5、這些就是鑒別優質奶粉的技巧。其實好的奶粉，奶粉的營養還和沖泡技巧有關。很多家長認為沖泡奶粉越濃越好。其實，奶粉濃度過高，不僅不營養還會造成孩子血管破裂，導致出血。所以沖泡奶粉，要按照說明書上來稀釋，一般是4：1的比例。在水溫上不要用過於剛沸騰的開水，水溫涼至75攝氏度最好！

E. 為什麼深度學習要使用大量數據

利用大數據來學習，更能夠刻畫數據豐富的內在信息。

深度學習特點：

1、強調了模型結構的深度，通常有5層、6層，甚至10多層的隱層節點；

2、明確了特徵學習的重要性。也就是說，通過逐層特徵變換，將樣本在原空間的特徵表示變換到一個新特徵空間，從而使分類或預測更容易。與人工規則構造特徵的方法相比，利用大數據來學習特徵，更能夠刻畫數據豐富的內在信息。

(5)深度學習股票走勢數據擴展閱讀

深度學習有三大局限：

1、首先，深度學習幾乎總是需要大量的標注數據。這使得視覺研究人員的焦點過度集中於容易標注的任務，而不是重要的任務。

2、其次，深網在基準數據集上表現良好，但在數據集之外的真實世界圖像上，可能會出現嚴重失敗。特別是，深網難以應付數據集中不經常發生的「罕見事件」。

而在現實世界的應用中，這些情況則會產生潛在風險，因為它們對應的視覺系統故障可能導致可怕的後果。比如，用於訓練自動駕駛汽車的數據集幾乎從不包含「嬰兒坐在路上」的情況。

3、深網對圖像中的變化過度敏感。這種過度敏感不僅反映在對圖像中難以察覺變化的標准上，還反映在對上下文的變化上，由於數據集大小的局限，過度敏感會導致系統做出錯誤判斷，但這種因過度敏感而導致的圖像變化卻難以欺騙人類觀察者。

F. 如何從股票數據中預測股票漲跌

在股市中成交量和股價是技術分析的最基本要素，其中量是市場運動的原因，價是市場運動的結果，量價之間有一個基本的對應，稱為量價關系。利用這個關系，就可以根據成交量和股價的變化來推測股價的未來走勢。
在成交量和股價的關系組合中具有意義的主要有如下幾個：
1、價格隨成交量的遞增而上漲，為市場行情的正常特性，此種量增價漲的關系，表示股價將繼續上升。
2、股價下跌，向下跌破股價形態、趨勢線、移動平均線，同時出現大成交量是股價將深幅下跌的信號，強調趨勢的反轉。
3、股價隨著緩慢遞增的成交量而逐漸上漲，漸漸的走勢突然成為垂直上升的爆發行情，成交量急劇增加，股價爆漲，緊接著，成交量大幅萎縮，股價急劇下跌，表示漲勢已到末期，有轉勢可能。
4、溫和放量。個股的成交量在前期持續低迷之後，出現連續溫和放量形態，一般可以證明有實力資金在介入。但這並不意味著投資者就可以馬上介入，個股在底部出現溫和放量之後，股價會隨量上升，量縮時股價會適量調整。當持續一段時間後，股價的上漲會逐步加快。
5、突放巨量。這其中可能存在多種情況，如果股價經歷了較長時間的上漲過程後放巨量，通常表明多空分歧加大，有實力資金開始派發，後市繼續上漲將面臨一定困難。而經歷了深幅下跌後的巨量一般多為空方力量的最後一次集中釋放，後世繼續深跌的可能性很小，反彈或反轉的時機近在眼前。如果股市整體下跌，而個股逆勢放量，在市場一片喊空聲之時放量上攻，造成十分醒目的效果。這類個股往往持續時間不長，隨後反而加速下跌。
6、成交量也有形態，當成交量構築圓弧底，而股價也形成圓弧底時，往往表明該股後市將出現較大上漲機會。
這些可以慢慢去領悟，炒股最重要的是掌握好一定的經驗與技巧，這樣才能作出准確的判斷，新手在把握不準的情況下不防用個牛股寶手機炒股去跟著裡面的牛人去操作，這樣要穩妥得多，希望可以幫助到您，祝投資愉快！

G. 如何利用歷史數據來預測一隻股票的走勢（只做理論思考）

說點簡單點的，但實用性並不算太強的一個思路給你參考一下吧！
可從長期走勢看，也就是之前的歷史走勢是如何的，在過去的一年裡走勢整體來說是下跌的還是上漲的，還是震盪盤整的！還是先跌後漲的！
如果是整體下跌的，那連續下跌一年，那未來就相對肯定會出現一輪上漲，且風險較低利益較大。只是需要耐心去等待啟動！
如果是震盪盤整，那就要看震盪盤整前是下跌的還是上漲的，如果是下跌的，那這盤整結束後也很大可能出現一輪上漲！如果震盪盤整前是上漲的，那就要看連續漲幅有多大，如果超過100%，那這個震盪盤整結束後那很大可能會是下跌的！
理論上，一個走勢對應多個可能，而這多個可能還可衍生出其它多種可能，所以，思路就是這樣，就不詳細給你講了！ 你分給得太少，哈哈！

H. 誰懂股票走勢圖的，講解一下「五日」裡面的各個數據是什麼每條線表示什麼

左上方14.10元是五天最高價，右上方2.84%是從五天前的開盤算起到今天收盤的漲幅（去尾）；右下方-2.84%是從五天前的開盤價算起漲幅的反向幅度，即假想的跌幅；左下方13.32元，即假設跌2.84%後的價格（去尾）。黃色虛線是今天的收盤價14.06元，藍色曲線是五天中每分鍾的價格變化曲線，黃色曲線是每個交易日的平均價格線，灰色虛線是五天前的開盤價13.70元。

I. 深度學習做股票預測靠譜嗎

之前，利用DBN去做股票市場的收益預測，輸入變數是市場行情數據，財務報表數據和一些技術因子，效果僅僅勉強跑贏hs300. 當時希望利用DBN，像處理圖片一樣，可以detect complex and nonlinear relationship between this variables，但是結果並不滿意，甚至同樣輸入了，RF，GBDT都跑到了不錯。現在感覺主要問題還是因為這些原始變數的雜訊大，另外還有就是正則化並沒有做好。
Data pre－processing 非常的重要。
之前研究過Barra 因子，裡面的每一個因子，雖然在生成上並沒有什麼技巧，剔除outlier，歸一化，線性回歸，正交化。基本上都是這些運算元。但是每一個都有一些logic。回看一些股票多因子的Fama French,1992,1993 的研究框架，更是感覺做金融計量的人和做機器學習的人思維的不同，做金融計量的人在數據分析上預處理很多，邏輯比較嚴密，並且logic大於統計技巧。我想如果在股票量化策略上，借鑒這種金融計量的思想，對於機器學習的技巧取得成功是必不可少的。

結論就是不可以